Озвучить текст нейросетью: полный гайд по ElevenLabs, чтобы голос звучал естественно

Показываем по шагам, как озвучить текст нейросетью ElevenLabs: какой текст ей давать, как задать эмоцию тегом и собрать диалог на несколько голосов, чтобы озвучка не звучала как объявление на вокзале.

Мы озвучили один и тот же текст дважды: как его пишут обычно и подготовленный по советам из инструкций для ИИ-озвучки.

В подготовленном числа записаны словами, а ударная гласная растянута тройной буквой: так в инструкциях советуют подсказывать ударение. Первый вариант прозвучал естественнее, а подготовка испортила звук. Слово «квартааал» голос так и протянул.

Чтобы озвучить текст нейросетью без робота в голосе, в ElevenLabs почти ничего не нужно готовить.

Вставляете текст так, как его написали, выбираете голос и ставите тег эмоции там, где нужна интонация. Если какое-то слово прозвучало криво, правите только его, а не весь текст.

Ниже пять шагов, тексты для копирования и порядок действий, если что-то прозвучало криво.

Коротко, как озвучить текст в ElevenLabs:

1. Откройте ElevenLabs Voice и выберите режим: «Текст в речь» для одного голоса или «Создание диалогов» для нескольких.
2. Текст вставляйте как есть, без подготовки.
3. Выберите голос под задачу и под интонации, которые понадобятся.
4. Где нужна эмоция, поставьте тег в квадратных скобках по-английски.
5. Перед запуском сверьте число символов и цену в токенах.

ElevenLabs в документации советует записывать числа и сокращения словами. Модель по умолчанию сама переводит цифры в слова, но телефоны, валюты, даты и адреса может прочитать неверно.

Чтобы проверить, справится ли голос без подготовки, мы собрали текст, где ловушка на ловушке: цифры, дата через точку, время и процент. Ещё в нём есть слово «мука» в значении «мучение» и слова с коварным ударением, а буква «ё» не написана нигде, даже там, где она нужна.

Текст для озвучки, как его пишут обычно:

«Все готово» и «разберем ее» голос прочитал с «ё», хотя в тексте её нет, то есть правильно. «Мука» тоже прозвучала верно, с ударением на первый слог, как мучение, а не как мука для блинов.

Числа, дата, время и процент прочитаны правильно. Ударения верные: «квартАл», «звонИте», «договОр» (заглавной буквой здесь отмечен ударный слог).

«ИИ» голос прочитал как «и-и», и это правильно: так аббревиатуру и произносят вслух. Паузы на месте, звук естественный.

Теперь тот же текст, подготовленный по всем правилам: числа словами, «ё» на месте, ударная гласная тройной буквой, многоточия для пауз.

Подготовленный текст (так делать не нужно):

Вышло хуже, чем без подготовки.

На «квартааал», «мууука» и «договооор» голос тянет звук, будто диктор зевнул посреди слова. В инструкциях по озвучке встречается совет ставить тройную гласную, чтобы подсказать ударение. Голос понял подсказку буквально и растянул букву.

Я бы не тратил время на такую подготовку до первого прогона. Проще записать первый дубль как есть и поправить конкретное слово, если оно прозвучало не так.

Готовые голоса отличаются характером, и подбирать их стоит под задачу: урок читают иначе, чем рекламный ролик или историю с героями.

Голос лучше выбирать с прицелом на интонации, которые понадобятся дальше. Тег эмоции срабатывает лучше, когда эмоция подходит характеру голоса: бодрый голос шепчет хуже.

Если в сценарии есть шёпот и вздохи, сразу ищите голос, которому они подходят. Иначе придётся раз за разом перегенерировать запись, пытаясь заставить бодрый голос шептать.

Интонацию задают теги в квадратных скобках перед фразой. Пишутся они всегда по-английски, а текст вокруг остаётся русским. Тег действует до следующего тега: если поставить шёпот перед первой фразой, шёпотом прозвучит весь текст до следующего тега. Хотели одну тихую реплику, а получили тихий абзац.

Теги из документации ElevenLabs.

Голос и эмоции:

• [whispers] — шёпот;
• [sighs] — вздох;
• [exhales] — выдох;
• [laughs] — смех;
• [starts laughing] — начинает смеяться;
• [laughs harder] — смеётся громче;
• [snorts] — фыркает;
• [sarcastic] — сарказм;
• [curious] — любопытство;
• [excited] — воодушевление;
• [mischievously] — с озорством;
• [crying] — плач.

Звуки:

• [applause] — аплодисменты;
• [clapping] — хлопки;
• [gulps] — глоток.

Особые, у разработчика они в экспериментальной группе:

• [sings] — поёт;
• [strong X accent] — сильный акцент, вместо X название акцента, например [strong French accent].

Это не весь список. ElevenLabs советует описывать тегом то, как звучит голос (шёпот, вздох), а не только чувство, и разрешает комбинировать теги, например [low, gravelly voice] — низкий хрипловатый голос. В диалоге ниже мы поставили [curious] и [laughs].

Паузы задаются многоточием и знаками препинания.

Для разговора двух и больше персонажей есть режим «Создание диалогов». Подписывать в тексте, кто говорит, не нужно: у каждого голоса своё поле в интерфейсе, и реплику вставляют в поле того, кто её произносит.

В режим можно добавить больше двух голосов, у каждого будет своё поле, и реплики не перепутаются.

Метки «Speaker 1» и «Speaker 2» в блоке ниже стоят только для наглядности, чтобы было видно, чья реплика. В поле их не пишут: первая и третья реплики уходят в поле одного голоса, вторая и четвёртая — в поле другого.

Диалог для озвучки двумя голосами:

Вышли два разных голоса, и каждая реплика прозвучала тем голосом, в чьё поле её вставили. Ударения и числа в порядке, теги эмоций сработали. И главное, это звучит как разговор двух людей.

В блоке диалога в слове «квартааал» осталась тройная гласная из подготовленного варианта. В своём тексте пишите «квартал» обычными буквами: в озвучке одним голосом растяжка портила звук.

В «Тексте в речь» за один запуск можно озвучить до 10 000 символов. Длинный текст режьте по абзацам и озвучивайте частями. Тон голоса может сам смениться посреди записи, и тогда перегенерировать придётся только этот кусок, а не весь урок.

До запуска интерфейс показывает число символов и стоимость в токенах, так что смету видно заранее. Токены SYNTX.AI — единицы, в которых сервис списывает оплату за генерацию. Для ориентира: в нашем прогоне фраза на 9-10 секунд стоила 1,6 токена.

Идите по порядку и меняйте что-то одно за раз, иначе не поймёте, какая правка помогла:

1. Тон сменился посреди записи: перегенерируйте этот кусок, текст не трогайте.
2. Если число, дата или сокращение прочитаны неверно, напишите их словами в нужном падеже.
3. Паузу, которая встала не там, поправьте многоточием или точкой.
4. Тег эмоции не сработал: проверьте, что он написан по-английски.
5. Тег написан верно, но не подходит голосу (нужен шёпот, а голос бодрый), или ничего выше не помогло? Меняйте голос, а не тег.

Ударную гласную тройной буквой не растягивайте ни на каком шаге: голос тянет звук вместо того, чтобы выделить слог.

Нет, начинайте с текста как есть. Голос из готовых, без клонирования, сам справился с цифрами, датой, ударениями и произнёс «ё» там, где её не написали. Править стоит только то, что прозвучало неверно.

Можно, но клон своего голоса в SYNTX.AI делает другая нейросеть для голоса, MiniMax. Клонирование есть в Telegram-боте SYNTX.AI: Аудио → Клонирование голоса.

Видеомодели Seedance можно дать аудио как образец звука для ролика, но русский диалог из ElevenLabs она пока не принимает. Озвучку можно положить на готовый ролик при монтаже.

Возьмите абзац из своего сценария, урока или поста и вставьте его без правок. Прослушайте первый дубль целиком, отметьте, где голос споткнулся, и дальше идите по списку из раздела «Если голос споткнулся».

ElevenLabs Voice доступен на SYNTX.AI. По промокоду SYNTXVC скидка 15%. Переходите в веб-версию или в Telegram-бота.